编辑推荐：
为验证北美放射学会（RSNA）2023 年腹部创伤 AI 挑战赛获奖机器学习（ML）模型在 CT 检测脾损伤中的性能，研究人员开展单中心回顾性研究。结果显示该模型性能良好，支持其临床应用，凸显 RSNA AI 挑战赛的价值。
本研究旨在使用大型、地理和时间上不同的外部数据集，验证北美放射学会（RSNA）2023 年腹部创伤人工智能（AI）挑战赛中一个获奖的机器学习（ML）模型在 CT 扫描检测脾损伤方面的性能。
研究采用单中心回顾性研究，使用的外部数据集包含 1216 次 CT 扫描（其中 608 次脾损伤阳性，608 次脾损伤阴性）。该 ML 模型在 RSNA 腹部创伤 CT（RATIC）数据集上进行训练，采用多组件流程，包括 2D MaxVit、2.5D CoatNet 和长短期记忆网络（LSTM）进行研究层面的预测。通过灵敏度、特异性、阳性预测值（PPV）、阴性预测值（NPV）、准确率、F1 评分和曲线下面积（AUC）评估模型性能。
结果显示，该 ML 模型对脾损伤的二分类 AUC 为 0.931（95% 置信区间：0.917，0.945），准确率为 0.849（95% 置信区间：0.827，0.868），灵敏度为 0.747（95% 置信区间：0.711，0.780），特异性为 0.951（95% 置信区间：0.930，0.965）。对于高级别脾损伤，模型的 AUC 为 0.950（95% 置信区间：0.932，0.968），准确率为 0.928（95% 置信区间：0.912，0.941），灵敏度为 0.719（95% 置信区间：0.643，0.784），特异性为 0.958（95% 置信区间：0.944，0.968）。
结论表明，该 ML 模型在 CT 扫描检测和分级脾损伤方面表现出强大、可靠的性能和泛化能力。这支持了其潜在的临床应用，特别是对脾创伤患者进行快速准确的诊断，同时也凸显了 RSNA AI 挑战赛在推动医学影像学临床研究和应用方面的价值。
